Detail předmětu

Simulace a optimalizace elektromechanických soustav

FEKT-MSIOAk. rok: 2012/2013

Přehled optimalizačních metod. Stochastické optimalizační metody a jejich použití v SE. Identifikace parametru elektromechanických soustav. Neuronové sítě, základní teorie, paradigmata sítí, principy a algoritmy učení. Aplikace neuronových sítí v SE. Simulace dynamického chování elektromechanických soustav.

Jazyk výuky

čeština

Počet kreditů

5

Výsledky učení předmětu

Student se seznámí s klasickými a stochastickými optimalizačními metodami. Genetický algoritmus, algoritmus simulovaného žíhání, horolezecký algoritmus. Identifikace a optimalizace parametrů elektrických strojů pomocí stochastických metod. Neuronové sítě. Základní druhyńeuronových sítí a jejich vlastnosti. Neuronové modely elektrických strojů v ustáleném a přechodovém režimu. Predikce chování elektrických strojů. Možnosti užití neuronových sítí v řízení elektrických strojů. Predikce zatížení energetické sítě pomocí neuronových sítí, funkcí s radiální bází a fuzzy neuronových sítí.

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování závisejí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT.

Způsob a kritéria hodnocení

Podmínky pro úspěšné ukončení předmětu stanoví každoročně aktualizovaná vyhláška garanta předmětu.

Učební cíle

Seznámit se s moderními metodami simulace elektromechanických soustav. Využití umělé inteligence (neuronových sítí genetických algoritmů, simulovaného žíhání aj.) pro simulaci, optimalizaci a identifikaci elektromechanických soustav. Ukázat na scela nové možnosti využití metod umělé inteligence v silnoproudé elektrotechnice a energetice.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu.

Základní literatura

Kosko,B.:Neural Networks for signal processing,Prentice Hall

Zařazení předmětu ve studijních plánech

  • Program EEKR-M magisterský navazující

    obor M-SVE , 2 ročník, letní semestr, volitelný oborový

  • Program EEKR-M1 magisterský navazující

    obor M1-SVE , 1 ročník, letní semestr, volitelný oborový

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

Přehled simulačních a optimalizačních metod používaných v silnoproudé elektrotechnice
Stochastické optimalizační metody. Genetický algoritmus, simulované žíhání, horolezecký algoritmus.
Stochastické optimalizační metody. Genetický algoritmus, simulované žíhání, horolezecký algoritmus.
Neuronové sítě, základní teorie, paradigmata sítí, principy a algoritmy učení.
Neuronové sítě, základní teorie, paradigmata sítí, principy a algoritmy učení.
Neuronové sítě, základní teorie, paradigmata sítí, principy a algoritmy učení.
Metody umělé inteligence v silnoproudé elektrotechnice. Identifikace
Metody umělé inteligence v silnoproudé elektrotechnice. Identifikace
Metody umělé inteligence v silnoproudé elektrotechnice. Identifikace
a optimalizace parametrů elektrických strojů, elektrizačních soustav a výroben el. energie
pomocí metod umělé inteligence.
Simulace dynamického chování elektromechanických soustav.
Simulace a predikce chování rozvodných a elektromechanických systémů
Podstata a vznik chaotického chování v soustavách silnoproudých zařízení.

Cvičení na počítači

26 hod., nepovinná

Vyučující / Lektor

Osnova

Optimalizace a identifikace parametrů el. strojů pomocí genetickéhoalgoritmu.
Optimalizace a identifikace parametrů el. strojů pomocí genetickéhoalgoritmu.
Počítačový model neuronu a jednoduché sítě typu "Back propagation"
Počítačový model neuronu a jednoduché sítě typu "Back propagation"